Väitös tietotekniikan alalta, M.Sc. Çağlar Hizli

Väitöskirjan nimi: Causality, identifiability, and representation learning for machine learning with non-i.i.d. data

Väittelijä: Çağlar Hizli
Vastaväittäjä: apulaisprofessori Francesco Locatello, Institute of Science and Technology, Itävalta
Kustos: apulaisprofessori Pekka Marttinen, Aalto-yliopiston perustieteiden korkeakoulu 

Nykyaikaiset tekoälyjärjestelmät toimivat vaikuttavasti silloin, kun koulutus- ja testiaineisto muistuttavat toisiaan. Todellinen elämä on toisenlaista: potilaat, ympäristöt ja tehtävät muuttuvat ajan myötä, ja dataa on usein vähän tai sen kerääminen on kallista. Tässä väitöskirjassa tarkastellaan, miten koneoppimisesta voitaisiin tehdä luotettavampaa tällaisissa muuttuvissa olosuhteissa.

Väitöskirja keskittyy oppimiseen aineistosta, joka ei noudata tavanomaista oletusta vakaudesta ja yhdenmukaisuudesta, sekä tällaiseen aineistoon yleistämiseen. Tavoitteena on auttaa rakentamaan tekoälyjärjestelmiä, jotka pystyvät toimimaan muuttuvissa ympäristöissä, oppimaan pienistä aineistoista ja siirtämään oppimaansa uusiin tehtäviin.

Työssä tarkastellaan tätä haastetta kolmesta toisiaan täydentävästä suunnasta. Ensinnäkin terveydenhuollon aikasarja-aineistoissa se osoittaa, miten voidaan arvioida, mitä potilaille tapahtuisi, jos hoitokäytännöt muuttuisivat. Ateria- ja verensokeriaineistoissa menetelmät tuottivat kliinisesti mielekkäitä ennusteita. Lihavuusleikkauksen läpikäyneillä lihavuuspotilailla ne auttoivat lisäksi paljastamaan, miten leikkaus muuttaa verensokeriprofiileja ruokailun ja muiden aineenvaihdunnallisten reittien kautta.

Toiseksi väitöskirja esittelee uuden teoreettisen viitekehyksen, jonka avulla voidaan tunnistaa piileviä dynaamisia prosesseja monimutkaisista havainnoista, joita on kerätty muuttuvissa ympäristöissä. Työ osoittaa, että näiden vakaiden taustalla olevien prosessien tunnistaminen parantaa kykyä ennustaa tulevaa kehitystä.

Kolmanneksi väitöskirjassa ehdotetaan tietokonenäköön objektikeskeistä koulutusmenetelmää, jonka oppimat visuaaliset piirteet siirtyvät aiempaa paremmin uusiin tehtäviin ja aineistoihin. Menetelmä paransi tuloksia paitsi vakiintuneessa ImageNet-vertailuaineistossa myös kolmessatoista aineistossa, jotka on suunniteltu testaamaan suorituskykyä muuttuneissa olosuhteissa.

Väitöskirja on merkityksellinen monille aloille, kuten terveydenhuollolle, tieteelliselle mallinnukselle ja muille tekoälysovelluksille, joissa olosuhteet muuttuvat ajan myötä. Sen keskeinen johtopäätös on, että tulevaisuuden älykkäiden järjestelmien tulisi yhdistää alemman tason hahmontunnistustaidot korkeamman tason kognitiivisiin kykyihin, kuten syy-seuraussuhteiden ymmärtämiseen, muuttuvissa ympäristöissä säilyvien vakaiden mekanismien tunnistamiseen sekä maailman jäsentämiseen kohteiden ja niiden välisten suhteiden kautta.

Avainsanat: kausaalisuus, identifioituvuus, aikasarja, oliokeskeinen oppiminen

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aalto-yliopiston riiputussivu.